78
4.2.1. Uji Regresi Linier Berganda
Uji regresi digunakan untuk mengetahui pengaruh variabel bebas X terhadap variabel terikat Y. Dalam penelitian ini penulis menggunakan
uji regresi berganda dengan variabel bebas X yaitu biaya kualitas yang dikelompokkan menjadi biaya pencegahan X
1
, biaya penilaian X
2
, biaya kegagalan internal X
3
dan biaya kegagalan eksternal X
4
terhadap variabel terikat Y produk rusak pada UD. Barokah Ungaran. Perhitungan
koefisiensi regresi dengan menggunakan SPSS 12.00 for windows diperoleh angka seperti terlihat pada tabel 4.11. berikut ini:
Tabel 4.11 Ringkasan Hasil Perhitungan Komputer dengan Program SPSS
Uraian Nilai Konstanta
Koefisien regresi biaya pencegahan Koefisien regresi biaya penilaian
F
hitung
R
2
Adjusted R
2
t
hitung
Variabel biaya pencegahan t
hitung
Variabel biaya penilaian r
2
parsial Variabel biaya pencegahan r
2
parsial Variabel biaya penilaian 74060,454
-0,0010 -0,0009
7,763 0,320
0,279 -3,439
-2,424 0,264
0,151
Sumber: Hasil Perhitungan SPSS
Dari Tabel 4.11 tersebut maka diperoleh persamaan regresi berganda sebagai berikut :
Y = 74060,454– 0,0010 X
1
– 0,0009 X
2
79
Persamaan regresi berganda Y = 74060,454–0,0010 X
1
–0,0009 X
2
a. Konstanta 74060,454 eksemplar.
Berarti jika semua variabel independent X sama dengan nol maka produk rusak Y sebesar 74060,454 eksemplar.
b. b
1
= – 0,0010 Berarti jika biaya pencegahan X
1
naik sebesar Rp.1 sedangkan variabel lain dianggap konstan, maka produk rusak Y akan
turun sebesar 0,0010 eksemplar. c.
b
2
= – 0,0009 Berarti jika biaya penilaian X
2
naik sebesar Rp.1 sedangkan variabel lain dianggap konstan, maka produk rusak Y akan
turun sebesar 0,0009eksemplar. Pembuktian hipotesis dari persamaan regresi di atas dilakukan
dengan : 2.
Uji F Uji Simultan Jika probabilitas 0,002
α 0,05 maka Ho ditolak, artinya ada pengaruh yang signifikan antara biaya pencegahan dan biaya penilaian
terhadap produk rusak. Dengan demikian hipotesis menyatakan bahwa ada pengaruh
signifikan secara simultan antara biaya pencegahan dan biaya penilaian terhadap produk rusak dapat diterima.
3. Koefisien Determinasi R
2
Berdasarkan perhitungan SPSS 12.0 for windows yang telah dilakukan, menghasilkan nilai koefisien determinasi sebesar 0,279 atau
27,9. Jadi dapat dikatakan bahwa 27,9 perubahan produk rusak
80
disebabkan oleh perubahan biaya pencegahan dan biaya penilaian secara bersama-sama. Sedangkan 72,1 perubahan produk rusak disebabkan
oleh variabel lain di luar komponen biaya kualitas biaya pencegahan dan biaya penilaian.
Selain melakukan pembuktian dengan menggunakan koefisien determinasi secara simultan R
2
, perlu juga diuji besarnya koefisien determinasi parsialnya r
2
untuk menunjukkan persentase kontribusi masing-masing variabel bebas independen. Dari tabel 4.7 di atas
menunjukkan bahwa koefisien determinasi r
2
parsial untuk variabel biaya pencegahan sebesar 0,264 dan variabel biaya penilaian sebesar
0,151. Hal ini mengandung arti bahwa sumbangan parsial masing- masing variabel adalah sebesar 26,4 untuk biaya pencegahan dan
15,1 untuk biaya penilaian. 4.
Uji t atau Uji Parsial Uji t digunakan untuk menguji pengaruh biaya kualitas biaya
pencegahan dan biaya penilaian terhadap produk rusak secara parsial. Uji t dilakukan dengan membandingkan sig t dengan probabilitas tingkat
signifikansi 5. a.
Jika probabilitas 0,002 α 0,05 maka Ho ditolak, artinya ada
pengaruh yang signifikan dari biaya pencegahan terhadap produk rusak.secara statistika dapat dibuktikan bahwa biaya kualitas
berpengaruh terhadap perubahan nilai variabel produk rusak.
81
b. Jika probabilitas 0,021
α 0,05 maka Ho ditolak, artinya ada pengaruh yang signifikan dari biaya penilaian terhadap variabel
produk rusak. Setelah dilakukan uji asumsi klasik di atas, maka didapatkan
hasil bahwa persamaan model regresi berganda Y = 74060,454 – 0.0010 X
1
-0.0009 X
2
termasuk dalam kriteria baik. Hal ini ditunjukkan oleh : 1 tidak adanya multikolinearitas atau korelasi
antara variabel bebas, 2 tidak adanya autokorelasi atau korelasi antara kesalahan pengganggu, 3 tidak adanya heteroskedastisitas
atau penyimpangan model regresi karena varian gangguan dan 4 variabel terikat dan variabel bebas mempunyai distribusi yang
normal. Berdasrkan hasil tersebut, maka dapat disimpulkan bahwa persamaan model regresi Y = 74060,454 – 0.0010 X
1
-0.0009 X
2
merupakan persamaan model regresi yang memenuhi asumsi klasik yang BLUE Best Linier Unbias Estimator.
4.3. Pembahasan